Dane — paliwo AI: dlaczego to dane decydują

W lekcji o tym, jak uczy się sieć, zasada „garbage in, garbage out” przemknęła mimochodem. Czas potraktować ją poważnie: dane to paliwo, na którym działa każda AI. Zmień paliwo, a wszystko się zmieni.

Dlaczego to dane decydują, a nie algorytm

Intuicja podpowiada, że silna AI to genialny algorytm. W rzeczywistości algorytmy treningowe są publikowane od lat i dostępne dla każdego — studenci je studiują. To, co odróżnia przeciętny model od świetnego, to częściej dane: ich ilość, czystość, różnorodność. Pamiętasz z lekcji pierwszej, dlaczego przełom nastąpił w 2012 roku: algorytmy sieci neuronowych były znane od lat 80., ale zadziałały dopiero, gdy internet zgromadził miliardy przykładów. Algorytm nie czekał na dane — to dane obudziły algorytm.

Stąd branżowa zasada: inwestowanie w dane zazwyczaj opłaca się bardziej niż kolejna poprawka w modelu. Firmy z unikalnymi danymi (wyszukiwarki, sieci społecznościowe, banki) są silne właśnie dzięki nim — dane trudniej skopiować niż kod.

Dwa rodzaje danych: ustrukturyzowane i nieustrukturyzowane

Dane ustrukturyzowane są starannie ułożone w tabelach: wiersze, kolumny, liczby, kategorie. Wiek klienta, kwota zakupu, data — wszystko na swoim miejscu.

Dane nieustrukturyzowane to wszystko inne: tekst e-maili, zdjęcia, audio, wideo, posty. Bez wierszy, bez kolumn — tylko strumień. Według różnych szacunków większość danych na świecie jest nieustrukturyzowana, a przez dziesięciolecia biznes ledwo mógł z nich korzystać. Przełom w sieciach neuronowych polega właśnie na tym: po raz pierwszy istnieje narzędzie, które wydobywa sens z tego oceanu. LLM z ostatniego modułu to maszyna do trawienia nieustrukturyzowanego tekstu.

Skąd pochodzą dane

• Etykietowanie. Ludzie ręcznie dodają „odpowiedzi”: zaznaczają pieszych na nagraniach dla samochodu autonomicznego, oznaczają e-maile jako spam / nie spam. Słynny zbiór danych ImageNet z lekcji pierwszej — około 14 milionów zdjęć, ręcznie etykietowanych przez armię ludzi; to na nim wygrał AlexNet. Etykietowanie to droga, powolna i niezastąpiona praca.
• Obserwowanie zachowań. Każde kliknięcie, każdy lajk, każde wideo, które oglądasz do końca, to darmowe etykietowanie. Nieświadomie to ty trenujesz systemy rekomendacji: obejrzane do końca — „dobry przykład”; przewinięte — „zły przykład”.
• Gotowe zbiory danych. Zebrane, wyczyszczone zestawy, które wielu ludzi ponownie wykorzystuje: teksty książek, encyklopedie, otwarte kolekcje zdjęć. Szybkie — ale wszyscy mają te same, więc nie dają unikalnej przewagi.

Dajesz wejście i wyjście — sieć sama buduje resztę

Ważny szczegół, który wyjaśnia, dlaczego etykietowanie „wejście → odpowiedź” wystarcza. Nigdy nie opisujesz AI, jak wygląda kot czy twarz. Dajesz tylko wejście A (zdjęcie) i wyjście B („kot / nie kot”) — a sieć sama składa cechy pośrednie, warstwa po warstwie, jak klocki Lego. W rozpoznawaniu twarzy widać to wyraźnie: pierwsze warstwy znajdują proste krawędzie i plamy, kolejne budują z nich części (oko, nos, kontur), najwyższe budują całe twarze.

Nikt nie programował „oka” ręcznie — sieć sama wykształciła tę koncepcję, tylko po to, by odpowiedzi były poprawne. Dlatego to podejście zwyciężyło (pamiętasz lekcję o tym, czym jest AI): cechy, których człowiek nie potrafiłby ubrać w słowa, maszyna wywodzi z przykładów.

„Garbage in, garbage out”

Teraz zasada z lekcji o treningu może być słyszana w pełni. Model nie jest mądrzejszy niż jego dane: uczy się tego, co mu pokazałeś, włączając w to błędy, luki i zniekształcenia.

Prawdziwy przypadek: w 2016 roku Microsoft uruchomił na Twitterze chatbota o nazwie Tay, który miał uczyć się naturalnej konwersacji bezpośrednio od użytkowników. W ciągu niecałego dnia trolle zasypały go obraźliwymi i rasistowskimi wiadomościami — a Tay, posłusznie ucząc się z tego „paliwa”, zaczął powtarzać te same plugastwa. Szesnaście godzin później Microsoft wyłączył go. Algorytm działał dokładnie tak, jak został zaprojektowany — to dane, które do niego wlewano, były zatrute.

Trzy błędne przekonania na temat danych

• „Więcej danych zawsze oznacza lepiej.” Nie: milion śmieciowych przykładów jest gorszy niż tysiąc czystych. Objętość bez jakości tylko wzmacnia błąd.
• „Dane są obiektywne, to liczby.” Dane to odcisk rzeczywistości uchwycony przez ludzi, z ich wyborami i ich ślepymi punktami. Liczba nie jest gwarancją prawdy: pamiętaj o granicy wiedzy i nieaktualnych cenach z lekcji o treningu.
• „Nie mamy dużo danych — AI nie jest dla nas.” Niewiele często wystarczy, jeśli jest czyste i na temat; zawsze możesz wziąć gotowy model i nieco uzupełnić jego trening (to było na końcu lekcji o treningu).

Zrób to teraz

Pięciominutowe ćwiczenie, bez narzędzi — tylko twoja głowa. Wybierz dowolną usługę AI, którą znasz (kanał rekomendacji, filtr spamu, asystent głosowy) i odpowiedz na trzy pytania na papierze: (1) na jakich danych najprawdopodobniej została wytrenowana? (2) skąd pochodziły te dane — etykietowanie, obserwowanie zachowań czy gotowy zbiór danych? (3) jakie zniekształcenie mogło się w nich znaleźć? Nawyk widzenia danych za wynikiem to coś, co odróżnia profesjonalistę od konsumenta. W następnej lekcji przyjrzymy się, co AI, mając takie dane, naprawdę potrafi — i co jest poza jej zasięgiem.